Qwen-Image-2.1-viggle-turbo Sigmas调度表完全解析：为什么这6个数字决定画质

Qwen-Image-2.1-viggle-turbo Sigmas调度表完全解析为什么这6个数字决定画质【免费下载链接】Qwen-Image-2.1-viggle-turbo项目地址: https://ai.gitcode.com/hf_mirrors/Viggle/Qwen-Image-2.1-viggle-turboQwen-Image-2.1-viggle-turbo 是基于 Qwen-Image-2.1 的6步快速生图LoRA 蒸馏模型Viggle 出品6 步即可完成文生图与指令编辑基模型需 40 步速度约快 5 倍。它的画质核心就藏在一串数字里sigmas[1.0, 0.9375, 0.875, 0.75, 0.5, 0.25]。本文带你完全读懂这张Sigmas 调度表以及正确增减步数的方式。一、Sigmas 是什么每一步的噪声音量旋钮扩散生图是从纯噪声逐步减噪的过程模型每一步在噪声时间轴 1 → 0 上走一段。sigma 就是每一步所处的噪声水平——越小越接近成图节点作用区间1.0纯噪声起点0.9375 / 0.875高噪声区画面构图在这里决定0.75 / 0.5 / 0.25低噪声区细节、边缘、质感在这里定型末尾0由管线自动追加无需传这个学生模型经过 DMD 蒸馏、无需 CFG无分类器引导它只在训练时见过的 sigma 位置上精确6 个数字原样使用画质最佳动到末端几个数字图像会肉眼可见地变软。二、6 个数字的来历把 4 步训练切成 3 段学生模型按 4 步表[1, 0.75, 0.5, 0.25]即linspace(1, 1/4, 4)训练。问题是高噪声端1 → 0.75一步 Euler 大跨度太长容易鬼影并漂移构图。于是推理时只细分高噪声段低噪声节点原样保留步数Sigmas 调度表构图漂移96 条实测请求5发布默认1, 0.875, 0.75, 0.5, 0.254% 的提示词构图漂移6推荐 v0.2.11, 0.9375, 0.875, 0.75, 0.5, 0.250%71, 0.9583, 0.9167, 0.875, 0.75, 0.5, 0.250%略更锐肉眼不比 6 好8密集小字1, 0.9375, 0.875, 0.75, 0.625, 0.5, 0.25, 0.125小字明显更干净黄金法则增删步数只动高噪声端。若把末端节点改成[1, 0.958, 0.917, 0.875, 0.625, 0.375]所有图都会变软Laplacian 锐度 0.014 对比 0.020——因为0.75 / 0.5 / 0.25是学生模型学会落位的训练着陆点。三、同一组数字适配任意分辨率动态位移shift换尺寸不用重算表。管线会按输出分辨率对原始 sigma 做动态指数位移ComfyUI 自定义节点 comfyui/viggle_turbo.py 里是同一套公式tokens (H/16) × (W/16)mu 0.5 0.4 × (tokens − 256) / (8192 − 256)sigma e^mu / (e^mu 1/sigma − 1)以 1024×1024 为例tokens4096mu≈0.693e^mu≈2原始节点1.00.93750.8750.750.50.25位移后1024²1.00.9680.9330.8570.6670.400位移把前几步挤向 1决定构图的窗口原始 1 → 0.875在 1024² 下只占整个噪声范围的前 5% 左右。这正是高噪声端必须细切的原因也是为什么这 6 个数字决定画质的全部秘密。四、一个不能动的设置shift_terminal⚠️ 加载调度器必须用仓库自带的 scheduler/scheduler_config.json关键是shift_terminal为null。基模型的默认值0.02会毁掉最后一步直接影响细节。五、上手三种方式 6 步跑起来1diffusers推荐保真度最高from diffusers import QwenImage21Pipeline, FlowMatchEulerDiscreteScheduler pipe QwenImage21Pipeline.from_pretrained(Qwen/Qwen-Image-2.1, dtypetorch.bfloat16) pipe.load_lora_weights( Viggle/Qwen-Image-2.1-viggle-turbo, weight_nameQwen-Image-2.1-viggle-turbo-v0.2.1-6step-lora-r256.safetensors, ) pipe.scheduler FlowMatchEulerDiscreteScheduler.from_pretrained( Viggle/Qwen-Image-2.1-viggle-turbo, subfolderscheduler ) pipe.to(cuda) image pipe( promptA studio portrait of an old fisherman mending a net, warm rim light, 85mm., height1024, width1024, num_inference_steps6, sigmas[1.0, 0.9375, 0.875, 0.75, 0.5, 0.25], true_cfg_scale1.0, # 无 CFG、无负向提示词 ).images[0]权重文件为 Qwen-Image-2.1-viggle-turbo-v0.2.1-6step-lora-r256.safetensors1.3 GB另有 r128 小体积版peft 用户也可直接加载 peft_v0.2.1/。2ComfyUI把 comfyui/viggle_turbo.py 复制进ComfyUI/custom_nodes/并重启新增两个节点Viggle Turbo Sigmas按 latent 分辨率自动算出位移后的调度表替代标准 KSampler 调度器配 euler BasicGuider无 CFGViggle Turbo LoRA (unmerged)以运行时旁路Wx BAx应用 LoRA标准 LoRA 加载器会把权重合并进底模对这个适配器是有损的bf16 下平均丢掉约 30% 的更新量拖入现成工作流即可运行文生图工作流、图像编辑工作流。3图像编辑1–3 张参考图最多传 3 张参考图图片顺序决定提示词里image 1 / image 2指代谁。仓库自带两张示例参考图六、画质自检清单出图前逐项核对项目正确值违背后果num_inference_steps6细节与多样性下降sigmas[1.0, 0.9375, 0.875, 0.75, 0.5, 0.25]图像变软、构图漂移true_cfg_scale1.0无 CFG与蒸馏目标不一致负向提示词不填—调度器shift_terminalnull用仓库配置最后一步被破坏LoRA 强度1.0细节与多样性下降密集小字场景改用 8 步见上表小字更易糊✅一句话总结Qwen-Image-2.1-viggle-turbo 的画质不神秘——高噪声端管构图可以细分、低噪声端是训练着陆点必须保留、分辨率交给动态位移、shift_terminal保持 null。照这套 Sigmas 调度表使用即可用约 1/6 的步数拿到接近基模型的画质。更多细节见仓库 README.md。【免费下载链接】Qwen-Image-2.1-viggle-turbo项目地址: https://ai.gitcode.com/hf_mirrors/Viggle/Qwen-Image-2.1-viggle-turbo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考